CN107966161B - 基于fft的步行检测方法 - Google Patents

Abstract

本发明公开了一种基于FFT的步行检测方法，利用智能手机设备坐标系下x、y和z三轴角速度进行敏感轴检测，并通过敏感轴所对应的角速度数据进行频谱分析处理，接着计算振幅平均值

判断二者的关系；然后拟合振幅曲线，计算人行走的频率，最后利用行走时间再求得行人当前持续行走的总步数，向前滑动时间窗口，反复执行。本发明考虑了坐标系不稳定因素，能更加敏感、准确、快速的检测出行人的步行动作。

Description

基于FFT的步行检测方法

技术领域

本发明属于步行检测技术领域，特别是涉及一种基于FFT的步行检测方法。

背景技术

现有的步行检测方法中最具代表性的是以下四种：

1.基于阈值的步行检测。

阈值方法是最简单的，但是困难在于如何选择最佳的阈值，特别是对于非约束的智能手机。阈值选择主要是通过多次试验来确定，并且一旦确定阈值，它将用于所有的测试者中。如果在类别多的情况下，需要设定多个阈值，传感器的姿势和位置对阈值的选定影响很大。此外，由于不同测试者在做同一个动作时存在很大的差异性，因此不容易选择一个合适的阈值。基于阈值的步行检测方法，测量值采用加速度模值、加速度信号的能量以及加速度的标准差(STD_TH)。具体地说，预先定义一个阈值，当用户行走发生位移时，智能手机传感器采集到信号的读数高于这个预先定义的阈值即为检测到用户发生位移活动。基于阈值的位移检测容易将非位移活动错误的检测为位移活动，因此对此方法而言，如何选择一个最佳的阈值是十分重要的。

2.短时傅里叶变换(Short Term Fourier Transform，STFT)。

短时傅里叶变换(Short Term Fourier Transform，STFT)STFT是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。它的使用范围受其变换性质的局限，是一种基于窗函数的变换。由于STFT采用的滑动窗函数一经选定就固定不变，故决定了其时频分辨率固定不变，不具备自适应能力。使用STFT方法要考虑输入信号、采样频率、窗长、窗移、FFT长度等因素。STFT对于大部分音频信号都能够有较好的分析效果。该算法设计基于滑动时间窗口连续检测步态活动。采用短时傅里叶变换，将满足在典型步行频率范围内具有显著(大于一些频谱能量阈值)的频谱能量特征视为行走，从而实现用户位移检测，输入数据为垂直加速度。

3.标准化自相关系数(Normalised Autocorrelation)。

标准化自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响。

人行走时步态特征具有周期性，前一步与后一步存在相似的动作，即两步之间具有高度的相关性。因此，可以通过判断标准化相关系数的大小来实现步态与步数的检测。

首先，利用加速度向量模值，计算两个相邻滑动窗口的标准化自相关系数，定义为ρ，即

式中，X_i，Y_i表示随着时间的变化加速度向量模值序列，

表示加速度向量模值序列的均值，n表示滑动窗口大小。

其次，如果标准化自相关系数大于预先定义的阈值，则认为前后两段具有相似的动作，即用户是在行走产生位移，同时计为一步。如果标准化自相关系数小于阈值，则窗口继续向后滑动，直到检测到步行活动。通常，ρ设为0.7。该方法在进行步态检测时，能够容忍各种手机的携带姿势，比较灵活。但是，对于一些不是行走的重复性动作，此时可能并没有发生位移变化，往往也会因为错误的判断为行走动作而检测出位移变化。因此，该方法通常需要结合其他方法来实现。

4.连续/离散小波变换(Continuous/Discrete Wavelet Transform，CWT/DWT)。

小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时域与频域分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时域与频域信号分析的要求，从而可聚焦到信号的任意细节。

该算法首先计算行走频带的能量与跨越所有步频的总能量，然后计算两者之间的比率，最后通过对比率设置阈值提取最终的步行周期，其中行走步频的能量与所有步频的能量通过CWT/DWT计算。

然而，现有技术存在以下缺陷：

一，现有的一些步行检测方法为了提高计步的准确性，采取将传感器设备固定在人身体上某个部位(手腕、脚踝等部位)的方式，这种方式限制了系统的灵活性。

二，现有的步行检测方法大多数是对加速度传感器获取到的x、y、z三轴加速度值进行处理的，基于加速度传感器的计步准确性受系统的坐标系稳定性影响较大。如现有技术申请号为CN201610434145.1，发明名称为一种计算步频的方法与装置以及包含该装置的可穿戴设备的技术，该技术用的是专用PPG和加速度传感器。

三，基于阈值的步行检测方法和标准自相关系数方法是通过阈值大于固定值的方式判断行人的位移动作，这种方式很容易将人的其它日常活动误判为发生了位移动作，影响计步的准确性。

四，小波变换方法，使母小波和信号反复关联，短暂合理地放缩可以捕捉加速度信号的突变，但是完成这样的计算代价是昂贵的。

发明内容

本发明的目的在于提供一种基于FFT的步行检测方法，考虑了坐标系不稳定因素，能更加敏感、准确的反映出行人的唯一动作。

本发明所采用的技术方案是，一种基于FFT的步行检测方法，按照以下步骤进行：

第一步：智能手机陀螺仪采集三轴角速度数据，使用滑动时间窗口接收三轴角速度数据；

第二步：提取当前时间窗口中的三轴角速度数据；

第三步：通过公式：

判断陀螺仪x、y、z三轴中哪一个为敏感轴，其中ω_a(i)表示x轴、y轴和z轴角速度在当前时间窗口i时刻的大小，n表示时间窗口的大小；

第四步：通过基2FFT算法将敏感轴所对应的时域角速度数据ω(n)转换为频域数据F_n；

第五步：通过第四步的结果，首先计算出在0.6Hz到2Hz之间步行频率所对应的振幅平均值

然后计算出在0Hz到0.6Hz之间步行频率所对应的振幅平均值

观察

是否满足以下两个条件：

条件1.

条件2.

若同时满足上述的两个条件，则执行第六步；否则直接转去执行第七步；

第六步：执行如下操作：

1.将这段时间内的活动设置为行走；

2.更新行走的总时间t；

3.通过公式A＝ax⁴+bx³+cx²+dx+e利用0.6Hz到2Hz之间的频谱数据拟合出频率与振幅关系曲线，求出最大振幅所对应的频率f₀，其中x表示的是频率，A表示振幅；a、b、c、d、e是常数项系数，a不等于0；

通过公式

估计出当前人行走的频率f，

表示的是上次求得的频率f，α代表权重，α＝0.8；

4.通过公式ST＝t×f得到行人当前持续行走的总步数，t表示当前行人持续行走所用的总时间，f表示当前行人的步行频率；

第七步：向前滑动时间窗口：即删除原有时间窗口中前1.2s的三轴角速度数据，剩余的数据平移至时间窗口前端；

第八步：返回执行第一步，若行人持续走则ST即为行人走的步数；若中间有停顿，则是多次持续走，多个ST累加。

进一步的，所述第三步中，其中，x、y、z三轴中选取一个敏感轴，其判断方式是：基于三轴角速度的绝对值来选择敏感轴，三个轴中，绝对值和最大的作为敏感轴，角速度振幅越大等同于其绝对值的和越大。

进一步的，所述第四步中，FFT运算公式如下：

X(k)是由时域变换过来的相应的数据值，表示振幅；k表示在频域内第k个数据，n表示在一个时间窗口内第n个点；其中，k＝0，1，…，N-1；ω(n)表示敏感轴所对应的时域角速度数据，N表示采样点个数，W_N表示旋转因子，某点n的频率计算公式如下：

其中，F_n表示第n个点的频率，F_s表示采样频率。

进一步的，所述第六步中，利用频谱信息估计人的步行频率，进而基于步行频率估计f与步行时间t的乘积，估计行人的步数。

本发明面向非约束智能手机的复杂场景(平地行走、站立打字、上下楼等场景)下的步行检测方法，能够快速、准确、高效地计算出行人在不同生活场景下的行走步数。具体具有以下有益效果：

1.本发明的方法考虑了坐标系不稳定的因素，采用了基于陀螺仪三轴角速度的方法，降低了坐标系不稳定这一不利因素。

2.本发明对陀螺仪三轴角速度数据进行敏感轴检测，敏感轴对应的角速度数据比加速度计获取的数据更加敏感、精确，还可以较好的反映周期性动作。

3.本发明采用快速傅里叶变换将时域角速度数据转换为频域角速度数据，得出的频谱分析结果能够高效、准确地反映出行人当前是否做出了位移动作。

4.本发明的计步结果通过行走时间与行走频率的乘积得到，对人在复杂场景下的步行检测准确率极高，而且无需进行最大值检测等操作，效率极高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的流程图。

图2是本发明实施例中楼房三层的平面图。

图3是本发明实施例中智能手机数据采集界面图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于FFT的步行检测方法，运用了基于快速傅里叶变换(FFT)频谱分析处理，是一种全新的步行检测方法。该方法利用智能手机设备坐标系下x、y和z三轴角速度进行敏感轴检测，并通过敏感轴所对应的角速度数据进行频谱分析处理，最终实现对用户行进步数的精确、高效地检测。本发明作为一种全新的步行检测方法，可用于在现实生活的不同场景中对用户的行进步数进行实时检测。

本发明方法的流程如图1所示。其中，对陀螺仪传感器的敏感轴检测、基于快速傅里叶变换的频谱分析处理和步数统计策略是本发明的主要内容。

本发明方法涉及的关键公式如下所示：

F_E≥2×F_max，F_E＝20Hz (1)

ST＝t×f (10)

本发明方法的具体执行过程如下：

已知参数：

根据香农采样定理(又称奈奎斯特采样定理，定义：为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的2倍)，采样频率要大于两倍的步行频率，因此手机内置传感器的采样频率设为20Hz，这样能够保证所提出的算法具有足够的精确度。即在公式(1)中，采样频率F_E＝20Hz，最大步行频率F_max＝2Hz。

为了连续的检测用户的位移活动，方法的设计基于滑动时间窗口。同时，考虑到一个人的步行频率范围通常在0.6Hz-2Hz之间，换句话说，步行活动持续时间大约是0.5s到1.6s。因此，时间窗口应该包含超过1.6s的数据序列并且步进大概是行走一步的时间。由以上分析可知，基于基二的快速傅里叶变换的位移检测算法被采用，时间窗口和步进分别设为64和25(64和25是采样点的个数，每个点代表一个时刻)，即持续时间(按间隔计算)分别等于3.15s和1.2s。在公式(2)中，ω_a(i)表示x轴、y轴和z轴角速度在当前时间窗口i时刻的大小，n表示时间窗口的大小，此处n＝64；

时间窗口的定义是对一段时间内采集到的数据进行处理。本方法中每次是对时长3.15s的采集的数据进行处理。

滑动窗口的定义是按一定个长度沿着时间轴(数据是随着时间的改变来采集的)移动时间窗口的机制。例如，当前时间窗口的数据是[0,3.15]秒内的，随着时间的推移，采到更多的数据。步进或称滑动距离为1.2s，那么下一个时间窗口的数据就是[1.2,4.35]秒内的。它是一种经常使用的处理数据的方法。

输入：智能手机陀螺仪采集到的三轴角速度数据；

输出：用户行走的总步数；

第一步：智能手机陀螺仪采集三轴角速度数据，时间窗口接收三轴角速度数据；

第二步：提取当前时间窗口中的三轴角速度数据；

第三步：通过公式(2)

判断陀螺仪x、y、z三轴中哪一个为敏感轴，其中ω_a(i)表示x轴、y轴和z轴角速度在当前时间窗口i时刻的大小，n表示时间窗口的大小；

其中，x、y、z三轴中选取一个敏感轴，其判断方式是：基于三轴角速度的绝对值来选择敏感轴。三个轴中，绝对值和最大的作为敏感轴。角速度振幅越大等同于其绝对值的和越大。

第四步：通过FFT(基2FFT)将敏感轴所对应的时域角速度数据ω(n)转换为频域数据(F_n)。FFT运算公式如下：

X(k)是由时域变换过来的相应的数据值，表示振幅；k表示在频域内第k个数据。n的含义是在一个时间窗口内第n个点；其中，k＝0，1，…，N-1，ω(n)表示敏感轴所对应的时域角速度数据，N表示采样点个数，W_N表示旋转因子，某点n的频率计算公式如下：

其中，F_n表示第n个点的频率，F_s表示采样频率；

第五步：通过第四步的结果，首先计算出在0.6Hz到2Hz之间步行频率所对应的振幅平均值

然后计算出在0Hz到0.6Hz之间步行频率所对应的振幅平均值

观察

是否满足以下两个条件：

1.

2.

若同时满足上述的两个条件，则执行第六步，否则直接转去执行第七步。

0.6Hz到2Hz之间是典型的步行频率。所以计算0.6Hz到2Hz之间步行频率所对应振幅均值。在实验过程中发现，有些低频干扰动作，如手机从裤子口袋拿出，拿起手机打字，0Hz到0.6Hz之间步行频率较高，为了防止低频干扰动作所以0Hz到0.6Hz之间步行频率所对应振幅均值，使用公式(6)进行比较。

第六步：执行如下操作：

1.将这段时间内的活动设置为行走；

2.更新行走的总时间t；

3.通过公式(8)A＝ax⁴+bx³+cx²+dx+e拟合出曲线，求出最大振幅所对应的频率f₀，其中x表示的是频率，A表示振幅；a、b、c、d、e是常数项系数，a不等于0。

通过公式(9)

计算出当前最接近于人真实行走的频率f，f₀与公式(8)中的意义相同，

表示的是上次求得的频率f。α的是代表权重，α＝0.8。

4.通过公式(10)ST＝t×f得到行人当前持续行走的总步数，t表示当前行人持续行走所用的时间，f表示当前行人的步行频率。

第七步：向前滑动时间窗口：即删除原有时间窗口中前1.2s的三轴角速度数据，剩余的数据平移至时间窗口前端；

第八步：返回执行第一步。若行人持续走ST即为行人走的步数。若中间有停顿，则是多次持续走，多个ST的累加。

本发明的优点在于，通过寻找角速度周期性最好的轴(敏感轴)有效的降低了坐标系稳定性对步行检测结果的影响，从而达到了手机的非约束性；本发明用于判断位移动作发生的条件是在0.6Hz-2Hz的步行频率之间所对应的振幅平均值要大于0Hz-0.6Hz频率所对应的振幅平均值且大于阈值10，这样做与现有的方法相比，可以避免误判将其它日常活动检测为位移动作；在位移动作发生后，计步结果通过行走时间与行走频率的乘积得到，与基于STD_TH和STFT步行检测方法相比，准确率更高。

实施例1

实验物理环境位于一幢五层实验楼的一至三层，包括一楼大厅、楼梯、走廊(平地)、三层的319实验室(图2是三层的平面图)。实验使用的移动设备是红米note2智能手机，操作系统为Android5.0.2LRX22G，其嵌入的采集惯性测量值的加速度计、陀螺仪等传感器的采样频率为20Hz。图3所示为红米note2智能手机数据采集界面。有8位志愿者参与到实验中，表1详细记录了8位志愿者的性别、年龄、身高、体重、步长特征。

表1志愿者信息

序号	性别	年龄	身高(cm)	体重(Kg)	步长(cm)
						1	男	26	176	70	130.2
2	男	21	170	60	132.2
						3	男	24	170	62	125.7
4	男	24	172	80	149.7
						5	男	26	184	65	151.1
6	女	25	159	50	88.4
						7	女	26	168	60	130.6
8	女	23	160	54	124.9

实验方法：所有志愿者要求执行规定的一系列日常活动，并将智能手机采集的传感器数据上传到服务器进行位移检测。日常活动包括手机放置裤子前口袋站立、拿出手机、手机放置手里站立等(表2记录了完整的日常活动)，特别注意的是，志愿者在上完楼梯之后走的轨迹都是弧线。实验起始阶段，为了保证所有志愿者开始时间统一，预先设定传感器在3s后开始采集数据，待志愿者完成规定的一系列日常活动后静止7s结束采集数据。

表2日常活动表

标号	日常活动
		A	手机放置裤子前口袋站立
B	从裤子前口袋拿出手机
		C	手机放置手里站立
D	手机放置手里摇摆行走(平地)
		E	手机放置手里摇摆行走(楼梯)
F	站立打字
		G	手机放置裤子前口袋行走(平地)
H	手机放置裤子前口袋行走(楼梯)
		I	手机放置手里由站到坐

表3为本发明的方法(FFT)与基于STD_TH和STFT步行检测方法相比，在召回率和精度方面的对比结果。

其次，为了更加清晰的了解所提出位移检测方法的性能，我们通过计算三种位移检测方法得出检测结果的精度和召回率进行分析。

位移检测精度(Precision)和召回率(Recall)计算公式如下：

其中TP表示行走被模型预测为正的正样本，FP表示行走被模型预测为正的负样本，FN表示行走被模型预测为负的正样本。三种行人位移检测方法得出检测结果的召回率和精度如表3所示。表中P代表精度(Precision)，R代表召回率(Recall)。Average代表所有的志愿者的平均情况。

表3召回率和精度的对比

从表3中可以看出，本发明方法精度远高于其它方法。从表中可以看出，不论是单独看8位志愿者的精度和召回率还是从总体上看精度和召回率，所提出的FFT方法精度都远优于STD_TH方法和STFT和FFT+ACC(同样的算法使用加速度计数据进行位移检测)。单独从8位志愿者的精度和召回率来看，FFT方法的精度维持在90％以上，最大精度达到95.83％，平均情况在93.76％；STFT方法的精度处于中间位置，精度最小值为65.56％，最大精度达到79.40％，平均值73.77％；STD_TH方法的精度最差，最小精度不足50％，最大精度不足70％，平均值58.27％。

FFT方法的召回率最大值为96.84％，最小值为89.77％，平均值93.65％；STD_TH方法的召回率最大值为97.41％，最小值为54.83％，平均值81.53％；STFT方法的召回率最大值为99.84％，最小值为93.01％，平均值为97.33％。从总体上看，FFT方法比STD_TH方法精度高出30多个百分点，比STFT方法精度高出将近20个百分点；召回率比STD_TH方法高出将近12个百分点，比STFT方法略差。总之，所提出的FFT方法相比STFT方法和STD_TH方法更能够实现优越的整体性能。并且对比FFT和FFT+ACC使用陀螺仪传感器比加速度计相对好一些。

本文技术方案与申请号“CN201610434145.1”，发明名称“一种计算步频的方法与装置以及包含该装置的可穿戴设备”的技术方案对比，本文所采用的是智能手机内置的三轴陀螺仪传感器；而对比专利采用的是专用PPG和加速度传感器。另外本文在软件方面，1.使用傅里叶变换前会寻找敏感轴，以便更好的反映出行走周期，对比专利没有；2.本文用快速傅里叶变换得到是频率-振幅关系。对比专利中用快速傅里叶变换得到频率-能量关系。3.本文先判断是否行走，计算行走时间，计算步频；对比专利中没有；4.本文寻找步频过程是首先拟合出一条光滑曲线，在连续区间内找峰值点对应的频率，其次用加权平均值求步频。对比专利使用两个传感器PPG和加速度传感器结合来寻找峰值点对应的频率，然后计算步频。通过拟合，和加权平均的过程可以使拟合频率更加接近行人行走的真实频率。5.本文为了检测行走和行走步数；而对比专利中只是为了检测步频是否正常，不正常时给出提醒。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (2)

1.一种基于FFT的步行检测方法，其特征在于，按照以下步骤进行：

第一步：智能手机陀螺仪采集三轴角速度数据，使用滑动时间窗口接收三轴角速度数据；

第二步：提取当前时间窗口中的三轴角速度数据；

第三步：通过公式：

判断陀螺仪x、y、z三轴中哪一个为敏感轴，其中ω_a(i)表示x轴、y轴和z轴角速度在当前时间窗口i时刻的大小，n表示时间窗口的大小；

第四步：通过基2FFT算法将敏感轴所对应的时域角速度数据ω(n)转换为频域数据F_n；

第五步：通过第四步的结果，首先计算出在0.6Hz到2Hz之间步行频率所对应的振幅平均值

然后计算出在0Hz到0.6Hz之间步行频率所对应的振幅平均值

观察

是否满足以下两个条件：

条件1.

条件2.

若同时满足上述的两个条件，则执行第六步；否则直接转去执行第七步；

第六步：执行如下操作：

1.将这段时间内的活动设置为行走；

2.更新行走的总时间t；

3.通过公式A＝ax⁴+bx³+cx²+dx+e利用0.6Hz到2Hz之间的频谱数据拟合出频率与振幅关系曲线，求出最大振幅所对应的频率f₀，其中x表示的是频率，A表示振幅；a、b、c、d、e是常数项系数，a不等于0；

通过公式

估计出当前人行走的频率f，

表示的是上次求得的频率f，α代表权重，a＝0.8；

4.通过公式ST＝t×f得到行人当前持续行走的总步数，t表示当前行人持续行走所用的总时间，f表示当前行人的步行频率；

第七步：向前滑动时间窗口：即删除原有时间窗口中前1.2s的三轴角速度数据，剩余的数据平移至时间窗口前端；

第八步：返回执行第一步，若行人持续走则ST即为行人走的步数；若中间有停顿，则是多次持续走，多个ST累加；

所述第四步中，FFT运算公式如下：

X(k)是由时域变换过来的相应的数据值，表示振幅；k表示在频域内第k个数据，n表示在一个时间窗口内第n个点；其中，k＝0，1，...，N-1；ω(n)表示敏感轴所对应的时域角速度数据，N表示采样点个数，W_N表示旋转因子，某点n的频率计算公式如下：

其中，F_n表示第n个点的频率，F_s表示采样频率。

2.根据权利要求1所述的一种基于FFT的步行检测方法，其特征在于，所述第三步中，其中，x、y、z三轴中选取一个敏感轴，其判断方式是：基于三轴角速度的绝对值来选择敏感轴，三个轴中，绝对值和最大的作为敏感轴，角速度振幅越大等同于其绝对值的和越大。

Images